Identifying Other-Race Faces: It’s Less in the Eyes.
Notice bibliographique
Résumé
Most studies in face recognition have focused on how individuals identify faces within their own ethnic group, highlighting the crucial role of the eye region in face identification (Vinette et al., 2004; Butler et al., 2010; Royer et al., 2018). Nevertheless, the general population encounters difficulties in identifying individuals from a different ethnicity, a phenomenon known as the “other-race effect” (ORE; Meissner & Brigham, 2001). Despite decades of investigation, the perceptual mechanisms associated with ORE remain inadequately understood. It is plausible that different perceptual strategies are employed in identifying other-race faces. In this study, 21 White participants initially learned to identify 8 Black and 8 White faces. Subsequently, they were tasked to recognize these same faces presented through small Gaussian apertures (“Bubbles”; Gosselin & Schyns, 2002). We also measured the extent of the ORE using an old/new recognition task. Collectively, participants exhibited an ORE, evidenced by a higher d' with own-race faces (μd=0.26, σd=0.27, t(20)=4.32, p<.001, d=0.94). Regarding the Bubbles results, Pixel Tests (p<.05; Stat4Ci Toolbox; Chauvin et al., 2005) revealed a significant reliance on the eyes and the mouth for faces of both race. Crucially, comparison between classification images of own- and other-race faces unveiled significant differences: greater eye reliance (z-score difference of 12.52) for own-race faces and increased nose and mouth reliance (z-score differences of -5.58 and -5.94, respectively) for other-race faces. We hypothesize that, at least as a group effect, the ORE may arise from diminished eye reliance and an excessive dependence on facial features associated with ethnic information (Levin, 1996). Additional participants, including a more diverse sample (e.g., African participants), are currently undergoing testing to explore individual and cultural differences in perceptual strategies employed to recognize own- and other-race faces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».